该研究论文介绍了一种物理感知多保真贝叶斯优化方法，通过在优化过程中嵌入领域认知形式，有效地提高了多查询优化问题的计算效率。

Dec, 2023

机器人技术和自动化为解决材料发现等难以处理的多变量科学问题提供了巨大的加速，而巨大的搜索空间可能令人望而生畏。贝叶斯优化（BO）已成为一种流行的高效样本优化引擎，在目标函数 / 属性没有已知的解析形式的任务中蓬勃发展。本文利用专家人类假设的形式来更快地将贝叶斯搜索定向到化学空间的有前途的区域。我们提出的方法称为 HypBO，利用专家人类假设生成改进的样本种子。不太有希望的种子被自动折扣，而有希望的种子被用于增加代理模型数据，从而实现更有信息的抽样。这个过程在一个全局与局部搜索的框架中继续进行。我们在一系列合成函数上验证了我们方法的性能，并在一个真实的化学设计任务上展示了其实用性，其中使用专家假设显著加速了搜索性能。

Aug, 2023

综述了多保真优化与贝叶斯优化相交的领域中 MF BO 的最新发展，包括高斯过程为基础的 MF 代理模型和不同的采集函数，并探讨了多保真优化在约束优化、高维优化、不确定性优化和多目标优化中的应用。

Nov, 2023

本文介绍了一种基于 max-value entropy search 的多保真度贝叶斯优化 (MF-MES) 方法，该方法通过考虑最优函数值的熵，而非最优输入点，大大简化了计算，并成功解决了信息熵的估计难题。同时，文章还提出了 MF-MES 的并行化方案，并通过材料科学数据等基准数据集的实验验证了该方法的有效性。

Jan, 2019

通过人为干预的贝叶斯优化主动推荐系统 (BOARS)，实现对实验目标的动态控制并结合机器学习算法进行优化，在铁电薄膜表面的压电响应力谱中得出对称压电响应振幅滞环的影响因素，在实验领域进行了跨学科探索。

Apr, 2023

基于贝叶斯优化的多重保真度方法的研究，旨在解决在实际应用中存在的假设不准确的问题，其中包括高保真度数据获取成本高和数据源之间相关度局限性的挑战。通过提出一种多重保真度仿真方法，我们可以学习每个数据源的噪声模型，并使多重保真度优化能够利用高度偏差的低保真度数据源，从而提升性能。

Sep, 2023

本文提出了一个深度学习框架，基于具有随机先验的 bootstrap 整合的神经体系结构，用于贝叶斯优化和连续决策。该框架能够在高维输出的情况下逼近设计变量和感兴趣数量之间的函数关系，测试表明该方法在优化轮毂叶片的形状等高度复杂的任务中具有明显的优越性。

Feb, 2023

本文提出了两种新的并行贝叶斯优化（BO）范例，可利用设计空间的结构进行分区。其中，一种方法是按照性能函数的级集划分设计空间，另一种方法是利用性能函数的部分可分性结构。数值实验表明，这些方法可显著减少搜索所需时间，提高发现全局最优解（而非局部最优解）的概率。

Oct, 2022

交互式机器学习（IML）旨在将人类专业知识整合到机器学习过程中。我们提出了一种基于贝叶斯优化（BO）的新框架，即交互式贝叶斯优化（IBO），以实现机器学习算法和人类之间的协作，以确保机器能够从人类专业知识中受益，实现更加协调和有效的学习过程，并通过模拟和使用 Franka Panda 机器人在真实世界任务中展示人机协作。

Jan, 2024

本文提出了一种可伸缩的多目标贝叶斯优化算法 MORBO，通过同时在设计空间的多个本地区域中使用协调策略进行并行优化，远高于现有算法的采样效率，适用于高维度的综合问题。

Sep, 2021